Tesis:
Holistic system for personalized management and predictive modeling of symptomatic crises in health
- Autor: GALVEZ GOICURÍA, Javier
- Título: Holistic system for personalized management and predictive modeling of symptomatic crises in health
- Fecha: 2025
- Materia:
- Escuela: E.T.S. DE INGENIEROS DE TELECOMUNICACION
- Departamentos: INGENIERIA ELECTRONICA
- Acceso electrónico: https://oa.upm.es/85044/
- Director/a 1º: MOYA FERNÁNDEZ, José Manuel
- Director/a 2º: PAGÁN ORTIZ, Josué
- Resumen: The use of Artificial Intelligence (AI) in healthcare has led to an increase in the use of wearable devices in this sector. This work focuses on improving the personalization of digital health models using Machine Learning and Deep Learning technologies. The present manuscript describes a methodology to generate knowledge from data gathered from multiple sources applied to symptomatic crises of chronic diseases such as migraine. The objective is to (i) take a small step forward in research related to creating population models that can be transferred to individuals and thus personalize them, and (ii) integrate state-of-the-art unobtrusive and low-cost wearable devices to acquire knowledge to enhance the performance of population prediction models. Migraines affect quality of life, leading to stigmatization of patients, and can increase the risk of suicidal behaviors in sufferers.
This work uses a real-time collection of migraine-related biomedical signals and can help prevent migraine pain with greater precision during analgesic intake. This work focuses on migraine as a specific use case for information acquisition to improve the prediction of symptomatic crises in chronic diseases. The goal is to validate these theories.
Pain is a common complication of migraine. It is characterized by a variety of types of pain, ranging from mild to severe, with a high frequency of episodes of pain. The presented holistic system contains different modules that all have the aim of giving the patient more information about the disease and their status. For the development of these modules, several experiments were conducted: various studies recording hemodynamic variables are made through a wrist-worn device. These studies focus on temperature, accelerometry, photoplethysmography, heart rate, and electrodermal activity signals. The research of the classification of migraine pain curves is made based on their morphology, type of pain, and severity, together with an analysis of various variables related to migraine. A recommender is developed, an innovative mobile application for migraine patients, using the same technologies used to improve patient education and support. In addition, a sleep state detection model is implemented due to the close relationship between sleep quality and migraine crises. All of this culminates in the migraine pain prediction model.
The results report a novel classification of pain curves and show that migraines can be clustered into 4 different types based on 8 features of the pain curves. A recommender system for advice and self-learning about the disease to improve patient adherence to treatment. Two experiments aimed at predicting sleep postures and states using wearable devices and advanced Machine Learning techniques. And finally, the migraine pain predictor experiment was able to predict pain attacks in 7/8 (86 %) of the patients, with a sensitivity of 100 % and no false negatives among them using LSTM Neural Networks.
This work presents a comprehensive research of the development and implementation of a holistic system for the management and prediction of symptomatic crises in chronic diseases using advanced AI techniques. The system is based on different modules that are related to migraine. The results pave the way for future innovations and improvements in a-AI-driven healthcare solutions, ultimately aiming to enhance the quality of life of patients suffering from chronic diseases.
RESUMEN
El uso de la Inteligencia Artificial (IA) en la salud ha aumentado el uso de dispositivos portátiles. Este trabajo se centra en mejorar la personalización de los modelos de predicción de salud digital utilizando tecnologías de Machine Learning y Deep Learning. Describe una metodología para generar conocimiento a partir de datos recopilados de múltiples fuentes aplicados a enfermedades crónicas con crisis sintomáticas, como la migraña. Los objetivos son (i) avanzar en la investigación sobre la creación de modelos poblacionales que puedan personalizarse para individuos e (ii) integrar dispositivos portátiles avanzados, no intrusivos y de bajo costo para mejorar los modelos de predicción poblacionales. Las migrañas afectan la calidad de vida de los pacientes, llevando a la estigmatización y aumentando el riesgo de suicidio.
Este trabajo utiliza la recolección en tiempo real de señales biomédicas relacionadas con la migraña y puede ayudar a prevenir el dolor de migraña con mayor precisión durante la ingesta de analgésicos. Este trabajo se centra en la migraña como un caso de uso específico para la adquisición de información para mejorar la predicción de crisis sintomáticas en enfermedades crónicas. El objetivo es validar estas teorías.
El dolor es una complicación común de la migraña, variando de leve a severo y con alta frecuencia de episodios. El sistema holístico presentado incluye módulos para brindar al paciente más información sobre la enfermedad y su estado. Para desarrollar estos módulos se realizaron varios experimentos: estudios con variables hemodinámicas usando un dispositivo de muñeca, centrándose en señales de temperatura, acelerometría, fotopletismografía, ritmo cardiaco y actividad electrodérmica; clasificación de curvas de dolor de migraña según su morfología, tipo y severidad, y análisis de variables relacionadas; desarrollo de un recomendador, una aplicación móvil para mejorar la educación y apoyo al paciente; y un modelo de detección del estado del sueño por su relación con las crisis de migraña. Todo culmina en el modelo de predicción del dolor de migraña.
Los resultados muestran una nueva clasificación de las curvas de dolor y que las migrañas se pueden agrupar en 4 tipos diferentes basados en 8 características de las curvas de dolor. También muestran un sistema de recomendación para consejos y autoaprendizaje sobre la enfermedad para mejorar la adherencia del paciente al tratamiento. Dos experimentos destinados a predecir posturas y estados de sueño utilizando dispositivos portátiles y técnicas avanzadas de Machine Learning. Y finalmente, el experimento del modelo de predicción de dolor de migraña que pudo predecir ataques de dolor en 7/8 (86 %) de los pacientes, con una sensibilidad del 100 % y sin falsos negativos entre ellos, utilizando LSTM y redes neuronales.
Este trabajo presenta una investigación integral sobre el desarrollo e implementación de un sistema holístico para la gestión y predicción de crisis sintomáticas en enfermedades crónicas utilizando técnicas avanzadas de IA. El sistema se basa en diferentes módulos relacionados con la migraña. Los resultados de esta investigación abren el camino para futuras innovaciones y mejoras en soluciones de salud impulsadas por la IA, con el objetivo final de mejorar la calidad de vida de los pacientes que sufren de enfermedades crónicas.